[发明专利]基于深度集成学习网络的粮油农作物供应链危害物辨识方法及系统

权利要求书

1.一种基于深度集成学习网络的粮油农作物供应链危害物辨识方法，其特征在于，所述方法包括：

获取粮油食品在供应链各环节中的参数特征信息，并将所述参数特征信息进行整合后生成多源异构数据集；

对所述多源异构数据集中的各属性特征进行向量编码化及标准归一化预处理获得包含有标准化数据的多源异构数据集；

对所述包含有标准化数据的多源异构数据集进行多粒度滤波扫描输出扫描结果，并对所述扫描结果进行K折交叉验证获得训练数据；

以决策树、随机森林、梯度提升树和极端树为基础子模块，构架多维度特征堆叠提取的深度集成学习网络对所述训练数据进行深度学习后输出多个子模型的学习结果；

通过高斯混合对所述多个子模型学习结果进行融合获得粮油农作物供应链危害物辨识模型，并根据所述粮油农作物供应链危害物辨识模型对粮油农作物供应链危害物进行辨识。

2.根据权利要求1所述的方法，其特征在于，所述对所述多源异构数据集中的各属性特征进行向量编码化及标准归一化预处理获得包含有标准化数据的多源异构数据集的过程包括：

对所述多源异构数据集中的各属性特征进行独热编码；

通过双向矢量化对独热编码后输出的数据进行权重嵌入获得向量特征；

对所述向量特征中的数值型属性特征进行线性变换获得归一化数据；

对所述归一化数据进行正态分布标准化处理，将数值型属性特征聚合到均值为0、方差为1的近似正态分布状态，获得包含有标准化数据的多源异构数据集。

3.根据权利要求1所述的方法，其特征在于，所述对所述包含有标准化数据的多源异构数据集进行多粒度滤波扫描输出扫描结果的过程包括：

采用一维卷积核滤波器对输入的包含有标准化数据的多源异构数据集从起始至结尾进行滑动采样，获得子样本向量；

将每个子样本进行完全随机森林和普通随机森林的调整训练，获得概率向量；

将所有的概率向量进行拼接后获得包含有表征向量的多源异构数据集并作为扫描结果输出。

4.根据权利要求3所述的方法，其特征在于，所述对所述扫描结果进行K折交叉验证获得训练数据的过程包括：

将所述包含有表征向量的多源异构数据集划分为K个大小相等的样本子集；

依次遍历所述K个大小相等的样本子集，其中第i次(i＝1,2,...,K)遍历将第i个样本子集作为验证集，其余所有样本子集作为训练集进行模型的训练，获得训练数据，并得出每个样本子集的评估结果；

将K次的评估指标的平均值作为最终评估指标。

5.根据权利要求1所述的方法，其特征在于，所述以决策树、随机森林、梯度提升树和极端树为基础子模块，构架多维度特征堆叠提取的深度集成学习网络对所述训练数据进行深度学习后输出多个子模型的学习结果的过程包括：

通过决策树学习器、随机森林学习器、梯度提升树学习器、极端树学习器和风险评估模型学习器对所述训练数据进行初步训练，获得每个学习器所对应的第一层数据；

将所述每个学习器所对应的第一层数据分别与所述训练数据拼接后获得每个学习器所对应的第二层的输入数据；

将所述决策树学习器、随机森林学习器、梯度提升树学习器、极端树学习器和风险评估模型学习器堆叠起来，分别对所述每个学习器所对应的第二层的输入数据进行训练后输出多个学习结果。